机构名称：
¥ 1.0
抽象背景的早期诊断阿尔茨海默氏病（AD）和轻度认知障碍（MCI）仍然是神经病学的重要挑战，常规方法通常受到解释的主观性和可变性的限制。将深度学习与磁共振成像（MRI）分析中的人工智能（AI）相结合，作为一种变革性方法，为无偏见的，高度准确的诊断见解提供了潜力。客观一项荟萃分析旨在分析AD和MCI模型中MRI图像深度学习的诊断准确性。方法在PubMed，Embase和Cochrane库数据库中进行了荟萃分析，该数据库是针对系统评价和荟萃分析（PRISMA）指南的首选报告项目，重点介绍了深度学习的诊断准确性。随后，使用Quadas-2清单评估了方法论质量。诊断措施，包括灵敏度，特异性，似然比，诊断赔率和接收器操作特征曲线下的面积（AUROC），以及用于T1加权和非T1加权MRI的亚组分析。结果总共确定了18个合格的研究。Spearman相关系数为-0.6506。荟萃分析表明，敏感性和特异性，阳性似然比，阴性可能比率和诊断优势比分别为0.84、0.86、6.0、0.19和32。AUROC为0.92。接收器操作特征（HSROC）的层次结构摘要
深度学习的MRI荟萃分析-Thieme Connect
主要关键词
相关文件推荐
